这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首先发表在JMIR mhealth和uhealth上,并适当引用。必须包括完整的书目信息,到http://mhealth.www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
嵌入式智能手机传感器的使用为测量身体活动(PA)和人体运动提供了机会。大数据——包括数十亿的数字痕迹——为科学家们提供了一种新的视角,以细粒度的细节检查PA,并允许我们跟踪人们的地理编码运动模式,以确定他们与环境的相互作用。
本研究的目的是检验Movn智能手机应用程序(移动分析)收集PA和人体运动数据的有效性。
与间接量热法(标准参考)和PA研究中常用的独立加速度计(GT1m, ActiGraph Corp,收敛参考)相比,Movn智能手机应用程序用于估计能量消耗(EE)的标准和收敛有效性在实验室和自由生活环境中进行了评估。一项支持性交叉验证研究评估了在不同智能手机设备上收集的活动数据的一致性。将全球定位系统(GPS)和加速度计数据与地理信息软件相结合,以验证人体运动地理空间分析的可行性。
共有21名参与者参与了线性回归分析,以从Movn活动计数估计EE(估计的标准误差[SEE]=1.94 kcal/min)。在独立样本(N=42, SEE=1.10 kcal/min)中进行交叉验证。在实验室基础的跑步机运动中,Movn的EE与热量测量相当(偏差=0.36[−0.07至0.78]kcal/min)。
Movn智能手机应用程序可以提供有效的情感表达被动测量,并可以通过上下文化的时空信息丰富这些数据。虽然加强对人类运动模式的地理和时间变化的理解可以为干预措施的制定提供信息,但它也为数据处理和分析带来了挑战。
世界卫生组织(世卫组织)确认缺乏身体活动是导致发病和过早死亡的全球主要风险因素之一[
为了推进PA研究,有人建议“相同的内容更多是不够的”[
与常用的ActiGraph加速度计相比,研究表明,与Fitbit Zip可穿戴传感器相比,在7天内的一致性水平是可以接受的[
很少有已发表的研究探索智能手机在测量PA和人体运动方面的效用。最近的一项收敛效度研究将Android智能手机活动跟踪器与ActiGraph加速度计进行了比较,发现在实验室和自由生活环境中都存在可接受的关联和一致性[
我们的目的是检验Movn智能手机应用程序在估计PA能量消耗(EE)和量化人类运动模式方面的有效性。针对准则法和收敛法进行了两项验证研究;一项支持交叉验证的研究评估了在不同设备上收集的活动数据的一致性。结合GPS和地理信息系统(GIS)数据,验证了地理空间分析的可行性。
研究人员开展了一项两阶段横断面研究,以确定Movn智能手机应用程序(移动分析)在实验室和自由生活日常活动中评估情感表达和人类运动模式的有效性。第一阶段包括以实验室为基础的跑步机运动,强度从轻到剧烈,以及自由生活的日常活动。第二阶段包括在实验室为基础的活动中,在参与者的单独样本中进行交叉验证。情感表达是兴趣的主要衡量标准;与通过间接量热法收集的稳健标准数据相比,这是验证加速度计最合适的结果,因为它可以直接与公认的PA分类方法相关,并允许与其他加速度计设备进行标准化比较[
在第一阶段,在爱尔兰都柏林共招募了21名成年人(13名女性),年龄在20至55岁之间(见
到达实验室后,参与者填写了人口统计信息,包括年龄和性别,以及体力活动准备问卷[
参考加速度计使用GT1M (ActiGraph Corp)进行量化,该双轴加速度计具有既定的信度和效度[
熟悉智能手机和加速度计后,使用K4b2便携式间接量热仪(Cosmed)评估静息和运动时的情感表达[
一个由尼龙带固定的面具(汉斯·鲁道夫)覆盖着参与者的鼻子和嘴巴。面罩连接在一个双向数字涡轮流量计上,以测量吸入和过期空气的体积。心率数据使用FT1,一种佩戴在胸前的传感器(Polar Electro)。
一旦仪器,参与者保持坐姿15分钟,同时记录生理数据;取最后5min数据的平均值,计算静息EE。然后,参与者在电动跑步机上(类星体医学,H/P宇宙运动和医疗有限公司)完成了四组独立的步行和跑步。参与者在轻度(4公里/小时和6公里/小时)、中度(10公里/小时)和剧烈强度水平(≥12公里/小时)下完成5分钟的运动,中间间隔3分钟的被动恢复。
在实验室基础的活动之后,参与者被指示在自由生活的日常活动中佩戴ActiGraph加速度计(如上所述)并携带智能手机(就像他们通常携带个人手机一样)24小时。研究人员要求参与者在进行游泳、淋浴和沐浴等水上活动时摘掉这些设备。在自由生活运动中,为喜欢这种携带方法的参与者提供了一个可选的运动臂章携带箱。24小时后,参与者归还手机和加速度计。
交叉验证样本的程序已在其他地方描述[
使用制造商的软件下载心率、热量计和ActiGraph数据;使用文本阅读器下载智能手机数据,导出用于手动分析,并在后处理中同步。
在每个基于实验室的活动回合的最后2分钟计算平均值,遵循第1阶段和第2阶段的类似程序。通过去除非磨损时间(相当于>60分钟的连续零计数)来清洗自由加速度计数据。分析需要至少10小时的可获得的自由生活数据。对数据进行处理,生成可比较的EE单位以供分析[
统计分析使用社会科学统计软件包(SPSS) version 21 for Windows (IBM Corp .)进行。
为了从Movn活动计数中得出情感表达的估计,我们按照既定的方法进行了多元回归[
根据Welk等人提出的指南评估情感表达的测量效度[
将Movn情感表达测量的标准和收敛效度分别与第一阶段实验室活动期间通过间接量热法测量的情感表达和第一阶段实验室活动和自由生活活动期间通过ActiGraph运动计数估计的情感表达进行比较;
补充分析比较了整个基于实验室的活动方案的时间同步组级测量,以确定测量模式之间的一致性[
为了确定使用智能手机传感器数据来确定活动的地理位置和人类运动模式的可行性,将加速度计和GPS数据结合起来,以提供PA的位置和强度的指示。将数据导入ArcGIS 10.2.2 (Esri)版本,转换为定位点,插值成二维(2D)空间路径和三维(3D)时空轨迹。
描述性数据以平均值(标准差)报告;偏倚数据以平均值和95% CI报告;α=。05for all hypothesis tests.
第一阶段的参与者包括21名成年人(13名女性),年龄在20至55岁之间(见
包括Movn活动计数和参与者体重在内的多变量回归模型是测量情感表达的最强预测因子(公式1,
公式1:EE (kcal)=0.00063 ×活动水平(计数/分钟)+ 0.121 ×体重(kg)−5.66
使用公式1确定Movn活动计数阈值,这些阈值与轻度(<3 MET)、中度(3-6 MET)、重度(6-9 MET)和重度(≥9 MET)活动强度水平的公认分类相对应[
当应用于交叉验证样本(阶段2)时,公式1在实验室行走时估计精度较低(
参与者的特征。
人口统计资料 | 第一阶段 |
第二阶段 |
N(男人/女人) |
|
|
年龄,以年为单位 | 27日(7.9) | 26日(3.8) |
身高(厘米) | 171.2 (7.3) | 172 (8) |
体重(公斤) | 70.5 (11.6) | 68 (12.0) |
体重指数(kg/m2) | 23.1 (2.6) | 22.0 (3.0) |
运动强度等级分类的运动计数阈值。
活动强度水平一个 | 见过b范围 | 活动(数/分钟) |
光 | <3 | < 1253 |
温和的 | 3 - 6 | 1253 - 1272 |
硬 | 6 - 9 | 1273 - 6987 |
非常困难的 | ≥9 | > 6987 |
一个活动强度等级分类改编自Freedson等[
bMET:任务的代谢当量。
测量能量消耗(EE;间接量热法)和Movn应用程序的EE,这是根据第一阶段实验室活动中Movn活性计数的多元回归得出的。
在大多数活动强度水平下,标准情感表达测量偏差的95%一致性限为中等(
第一阶段基于实验室的标准能量消耗测量偏差的95%一致限度,按活动强度水平分类。
与第一阶段基于实验室的活动中由汇聚参考ActiGraph设备获得的情感表达相比,Movn系统地高估了情感表达(
在所有活动强度水平下,趋同情感表达测量偏差的95%一致限度也是中等的(
活动 | 能量消耗(千卡/分钟) | 偏见(千卡/分钟) | ||||
|
量热计 | Movn | 长短 | 标准 | 收敛 | |
|
意思是(SD) | 平均值(95% CI) | ||||
休息 | 1.75 (0.64) | 3.25 (1.80) | 1.83 (1.68) | 1.60 (0.85 - -2.35)d、e | 1.30 (0.65 - -1.96) | |
4公里/小时 | 4.15 (1.20) | 4.66 (1.69) | 4.10 (1.83) | 0.52(−0.04 ~ 1.08)e | 0.59 (0.22 - -0.95) | |
6公里/小时 | 6.42 (2.13) | 6.95 (2.45) | 6.67 (2.30) | 0.74(−0.05 ~ 1.52)e | 0.40(−0.02 ~ 0.82) | |
10公里/小时 | 11.94 (2.22) | 11.78 (2.18) | 10.26 (2.52) | −0.53(−1.67 ~ 0.60)一个 | 1.08 (0.01 - -2.15) | |
12公里/小时 | 14.15 (2.68) | 11.76 (2.97) | 10.87 (1.86) | −1.90(−3.37 ~−0.42)得了 | 1.05(−0.81 ~ 2.92) | |
总计 | 7.08 (4.79) | 7.45 (4.15) | 6.54 (3.90) | 0.36(−0.07 ~ 0.78) | 0.93 (0.58 - -1.29)f |
安妮机车速度之间的系统偏差(
一个休息。
b4公里/小时。
c6公里/小时。
d10公里/小时。
e12公里/小时。
f与ActiGraph仪器(
能量消耗=每个强度回合第三和第四分钟的平均值。
第一阶段基于实验室的收敛能量消耗测量偏差的95%一致性限制,按活动强度水平分类。
补充分析比较了第一阶段以实验室为基础的活动方案中时间同步组水平的测量结果,表明Movn和量热法的EE测量模式在低和中等活动强度水平下非常相似(
对个体水平测量偏差的检验显示,大多数参与者对总情感表达的高估相对较小;然而,2名参与者的情感表达被高估,6名参与者的情感表达被低估(
补充分析了第一阶段实验室活动中测量(间接量热法)和估计(Movn app)能量消耗(EE)的相对准确性。由Movn应用程序和标准参考热量计测量的每分钟EE。
补充分析了第一阶段实验室活动中测量(间接量热法)和估计(Movn app)能量消耗(EE)的相对准确性。个体参与者的平均情感表达测量偏差。
在第一阶段的自由活动中,传感器磨损时间的依从性低于预期。除去非磨损时间后,只有8名参与者符合最低数据要求。参与者在有效日平均记录766 (SD 189)分钟的活动,产生总自由生活收敛参考样本6124分钟。
最后,尽管存在系统偏差,但Movn和ActiGraph的情感表达测量结果呈强相关(
第一阶段自由生活活动期间的能量消耗。
强度等级 | 能量消耗(千卡/分钟) | 偏见(千卡/分钟) | |
Movn |
长短 |
平均值(95% CI) | |
轻度(<3代谢当量任务[MET]) | 2.43 (1.15) | 1.61 (1.34) | 0.83 (0.81 - -0.84)c, d |
中等(3-6 MET) | 2.32 (0.86) | 1.01 (0.65) | 1.31 (0.69 - -1.93)c, d |
硬(6-9 MET) | 4.19 (1.49) | 2.24 (1.6) | 1.96 (1.87 - -2.04)a, b, d |
非常硬(≥9met) | 7.66 (1.19) | 4.25 (2.01) | 3.41 (3.16 - -3.66)得了 |
总计 | 2.73 (1.51) | 1.73 (1.45) | 1.00 (0.98 - -1.02)e |
模拟活动强度水平(
一个光。
b温和。
c困难的。
d很努力。
e与ActiGraph仪器(
第一阶段自由生活的收敛能量消耗测量偏差的95%一致性界限;按每天记录≥10小时活动数据的个体参与者分类。
全球定位系统(GPS)位置数据的精度。
精度半径(m)一个 | 位置样本n (%) | 中位数精度半径(m) |
≤25 | 246 (32.3) | 19 |
26-50 | 307 (40.3) | 30. |
51 - 75 | 29 (3.8) | 57 |
76 - 100 | 45 (5.9) | 96 |
>100 | 134 (17.6) | 2370 |
总计 | 761 (100.0) | 30. |
一个真实位置位于记录位置坐标的指定半径内的68%概率。
自由生活加速度计获得30,666条记录;在此期间,Movn记录了761个GPS坐标对。大多数GPS数据(553/761,72.7%)具有可接受的位置测量精度(68%的概率真实位置位于记录位置的50米半径内;[
参与者位置标记和插值空间路径的示例。
参与者日常活动的详细示例。位置表示在二维平面上,时间表示在垂直平面上。运动路径的渐变阴影表示活动级别(深色阴影=较高的活动级别)。橙色点标记表示精度大于50米的位置。
活动强度水平的时间变异性难以用两个维度表现出来,而密集的位置标记使得运动方向序列难以分辨。为了解决这个问题,时间-地理方法[
这项研究试图检验Movn智能手机应用程序评估PA和人类运动模式的有效性。与先前的研究一致,Movn活动计数与测量的情感表达密切相关,并且与Freedson等人报道的预测功能相比,SEE更有利[
总之,这些数据表明,Movn可以在受控的实验室环境中提供可接受的PA测量精度;然而,在较高的活动强度水平下,更大的误差变异性表明,与高强度运动训练相比,它可能更适合于量化一般每日pa。这些发现与最近基于Android智能手机的活动测量工具的验证相当,与ActiGraph GTX3加速度计相比,在较高的活动强度水平下,显示出很强的相关性,但测量误差较大[
在24小时的自由生活活动中,与常用和经过验证的ActiGraph加速度计相比,Movn高估了EE;在高强度的活动中,偏差再次变得更大,变化更大。尽管如此,Movn和EE的参考估计值密切相关,并且这些数据与在自由生活环境中比较智能手机和Fitbit Zip可穿戴传感器与ActiGraph的其他数据相比更为有利[
探索性补充分析揭示的个体间差异表明,Movn应用程序可能最适合群体层面的监测。与ActiGraph等可穿戴式传感器相比,智能手机应用可以更可行、更经济地分布在大量人群中,因此这种方法在大规模人群研究中具有相当大的潜力。
将智能手机收集的地理空间和加速度测量数据整合到GIS中,以深入了解时间运动模式(位置和强度)是可行的。结合大规模人口监测的潜力,通过绘制运动模式来增强情感表达数据的能力突出了基于智能手机的测量工具的潜力,以支持评估影响情感表达的干预措施和政策的驱动因素和影响的新研究。然而,如此大规模的分析也给数据处理和分析带来了挑战。
总的来说,这项研究和以前的工作都强调了智能手机作为实验室和自由生活环境中可接受的PA测量的价值。鉴于其无处不在、集成传感器功能(加速度计、陀螺仪、倾角计和GPS)和被动数据收集,与现有的测量方法相比,智能手机提供了额外的价值。产生大型数据集的能力进一步增加了价值,这些数据集可用于了解影响PA的时间、位置和上下文因素。这些信息可用于提供决策提示点或行为改变策略,以增加PA和减少久坐行为。
本研究将地理空间和加速度测量数据整合到GIS中,展示了使用智能手机描述人类运动模式的背景(即活动的时间和地点)的潜力。这种方法已被证明,但通常依赖于单独的设备来收集活动和地理空间数据,这增加了参与者的负担,并限制了观察的持续时间(7-14天)。被动的智能手机数据收集减少了参与者的负担,并允许持续的数据收集,只要应用程序被安装,个人继续为他们的智能手机充电。许多商业智能手机应用程序都利用了这些功能(例如Moves、Human和Movn)。与独立的GPS设备相比,智能手机提供了实用的优势,尽管最大数据捕获频率通常较低(大约1 Hz vs 5+ Hz) [
本研究对今后的研究具有重要意义。智能手机可以在不使用专用测量工具的情况下被动地测量大量人群中的PA,并提供了利用上下文化时间和地理位置数据丰富传统PA测量的机会。未来的工作可能会利用智能手机、智能手表和消费级可穿戴活动追踪器之间的现有集成,在智能手机非携带时间捕捉PA。时间和位置上下文数据为了解人们的运动模式提供了机会,这可能有助于识别和利用PA干预的最佳机会。利用智能手机应用程序产生的大数据,可以提供有关人们如何移动、在哪里移动以及这些模式是否随时间稳定的详细信息。如果模式可以预测,那么就可以通过智能手机进行干预,以促进PA和减少久坐行为。地理空间数据可以通过物联网与其他传感器或数据源连接起来,以提供“及时”干预措施,例如推广主动交通选择(附近的自行车或步行路线),而不是驾驶机动车。这种方法将符合智慧城市研究的概念,即利用物联网进行公共和环境健康监测[
智慧城市的投资重点是数字基础设施,包括信息和通信技术,而不是传统的物理基础设施。虽然智慧城市技术通常侧重于系统效率(交通和废物管理等),但它们具有促进PA和健康的潜力[
本研究的优势包括使用间接量热法作为验证EE估计的标准参考,使用交叉验证样本来评估不同智能手机上EE估计的有效性,以及在GIS中整合地理空间和加速度测量数据。本研究的一个局限性与智能手机数据的数据缩减方法有关。与研究级加速度计不同,目前还没有管理智能手机加速度计数据的既定方法。负情感表达测量偏差可能表明智能手机非携带时间;然而,由于手机和个人不活动的分类方法尚未确定,因此不可能验证这一假设。我们应用了加速度计通常使用的标准(去除>60分钟的连续零值),这可能有助于方法之间的一致,但不能区分智能手机不携带时间和真正的不活动时间。需要进一步的研究来描述可以区分这些使用模式的数据模式,这将对如何解释智能手机数据产生重大影响。越来越普遍的嵌入式陀螺仪传感器可以帮助克服这个问题。值得注意的是,独立的可穿戴加速度计也受到这一限制,与间歇性的智能手机不携带时间相比,长时间的不佩戴可能导致更大的数据丢失。研究人员应该考虑到这些限制,并选择最适合其实验目标的测量工具类型。 Additional limitations include the number and characteristics of participants and the limited period of free-living activity monitoring. As the primary sampling unit in this study is sensor observations not individuals (ie, 50 Hz accelerometer data), the study is appropriately powered to achieve validation objectives. Because participants were healthy adults, these results may not generalize to populations with musculoskeletal limitations or medical conditions that modify the energetic demands of comparable PAs. Finally, the short 24-hour free-living validation period may limit the range of activities and activity intensity levels included in the free-living analysis. Although high frequency sensor sampling enables ample statistical power for validation objectives, future research may consider longer data collection periods that may include a wider range of activities.
Movn智能手机应用程序提供了低强度和中等强度体力活动情感表达的有效测量;然而,在高强度的活动中,测量效度降低。鉴于其无处不在、集成传感器、被动数据收集以及与外部数据流连接的潜力,智能手机为增强对人类运动的性质和背景的理解提供了一个理想的机会,特别是在人口水平上。这为数据处理和分析提出了未来的挑战,同时也为新的、响应性的和个性化的干预策略提供了机会。
二氧化碳
能量消耗
地理信息软件
全球定位系统
类内相关系数
任务的代谢当量
氧气
体育活动
社会科学统计包
三维
二维
耗氧量
世界卫生组织
我们要感谢都柏林城市大学所有参与者的参与。这项研究是作为欧盟FP7研究交流的一部分进行的。麦迪森博士得到了健康研究理事会查尔斯·赫克斯爵士奖学金的支持。
Harshvardhan Vathsangam博士拥有Moving Analytics的多数股权。move Analytics是这项研究中使用的Movn智能手机应用程序的创造者。这是一项由调查人员主导的研究,移动分析公司对研究的设计和实施以及数据的解释没有任何影响。其余作者没有任何利益冲突。